বাস্তব জটিল দৃশ্যে ব্যর্থ ভিশন-ল্যাঙ্গুয়েজ AI, আপনার কাজে প্রভাব ফেলতে পারে

ভিশন-ল্যাঙ্গুয়েজ AI মডেলগুলোকে প্রায় এক দশক ধরে দাবি করা হচ্ছে যে তারা ছবি বর্ণনা বা ক্যাপশনিংয়ে মানুষের সমান দক্ষতা অর্জন করেছে। কিন্তু এই দাবির পেছনে যে প্রমাণ ব্যবহার করা হয়েছে, সেটি মূলত MS-COCO-এর মতো নির্দিষ্ট কিছু বেঞ্চমার্ক থেকে আসছে। এই বেঞ্চমার্কের ছবিগুলো সাধারণত পরিষ্কার, ভালো আলোযুক্ত এবং সহজ দৃশ্য নিয়ে গঠিত।

প্রশ্ন হচ্ছে, এই মডেলগুলো কি সত্যিই বাস্তব জগতের জটিলতা বুঝতে পারে? dev.to AI-তে প্রকাশিত একটি সাম্প্রতিক গবেষণা এই বিষয়টিই চ্যালেঞ্জ করেছে। গবেষকরা দেখিয়েছেন যে বর্তমান বেঞ্চমার্কগুলোর সীমাবদ্ধতা রয়েছে। এগুলোতে সাধারণত একক ব্যক্তি বা সরল ক্রিয়াকলাপের ছবি থাকে। মাল্টি-এজেন্ট সামাজিক গতিশীলতা বা ভিজ্যুয়াল-কগনিটিভ ত্রুটিগুলো এখানে সম্পূর্ণভাবে উপেক্ষিত।

গবেষণাটি আরও বলছে, মডেলগুলো যখন জটিল দৃশ্যের মুখোমুখি হয়, তখন তারা ভুল সিদ্ধান্ত নেয়। যেমন একাধিক ব্যক্তি একসঙ্গে কাজ করছে এমন ছবি বুঝতে গিয়ে তারা বিভ্রান্ত হয়। মানুষের চোখ সহজেই যে সামাজিক ইঙ্গিত বা সম্পর্ক শনাক্ত করে, AI সেটি করতে পারে না। এই ভিজ্যুয়াল-কগনিটিভ ত্রুটিগুলো মডেলের বাস্তব প্রয়োগকে সীমিত করে দিচ্ছে।

বাংলাদেশের ডেভেলপার ও গবেষকদের জন্য এই খবর অত্যন্ত গুরুত্বপূর্ণ। দেশে AI ও মেশিন লার্নিং নিয়ে কাজ করা অনেক স্টার্টআপ ও শিক্ষার্থী রয়েছে। তারা যদি এই মডেলগুলো ব্যবহার করে স্বাস্থ্য, কৃষি বা নিরাপত্তার মতো ক্ষেত্রে সমাধান তৈরি করতে চান, তাহলে বাস্তব জগতের জটিলতা বিবেচনায় নেওয়া জরুরি। অন্যথায় মডেলের নির্ভুলতা নিয়ে সন্দেহ থেকে যাবে।

গবেষকরা বলছেন, ভবিষ্যতে বেঞ্চমার্কগুলোতে আরও বাস্তবসম্মত ও জটিল দৃশ্য অন্তর্ভুক্ত করা উচিত। একইসঙ্গে মাল্টি-এজেন্ট সামাজিক গতিশীলতা ও ভিজ্যুয়াল-কগনিটিভ ত্রুটিগুলো শনাক্ত করার জন্য নতুন পরীক্ষা পদ্ধতি তৈরি করতে হবে। তাহলেই কেবল ভিশন-ল্যাঙ্গুয়েজ মডেলগুলো সত্যিই মানুষের মতো দৃশ্য বুঝতে পারবে বলে দাবি করা যাবে।

আরও পড়ুন

• AI মডেলের স্মৃতিসীমা ধরা পড়ল, বাংলাদেশের ফ্রিল্যান্সারদের কাজে আসবে
• AI-এর বড় দুর্বলতা ধরা দিল, বিজ্ঞান বুঝতে ব্যর্থ বর্তমান মডেল
• AI এজেন্ট বাস্তব জগতে ব্যর্থ, মেমরি ট্র্যাকিং সমাধান আনলো গবেষকরা